1.一种基于多重会话感知的超图推荐方法，其特征在于，包括以下步骤：S1、根据用户会话数据构建超图与超图卷积网络，得到物品的超图嵌入表示；所述步骤S1包括以下分步骤：S11、根据用户会话数据构建超图G＝(V,E)，其中V表示包含N个不同节点的节点集，E表示包含M个不同超边的边集；

N×M

S12、对每一个超边e∈E分配一个权重Wee，并获取超图的关联矩阵H∈R ；

S13、根据权重Wee和关联矩阵H计算超图中节点的度Dvv和超边的度Bee：其中e表示第e条超边，v表示第v个节点；

S14、根据权重W和关联矩阵H构建超图卷积网络：其中 表示可学习的特征矩阵，上标T表示矩阵的转置，上标‑1表示矩阵的逆矩阵，上标(l)表示第l次迭代计算，D表示节点的度矩阵，B表示超边的度矩阵；

S15、根据特征矩阵 计算得到物品的超图嵌入表示Xh：其中L表示超图卷积网络的卷积层数；

S2、根据用户会话数据构建局部会话图，得到会话的局部会话图嵌入表示；所述步骤S2包括以下分步骤：S21、根据用户会话数据构建局部会话图L(V,E)，局部会话图中每一个节点vi∈V表示一个物品，每一条边(vi‑1,vi)∈E表示用户在会话中与相邻时间步物品的两次交互；

S22、通过注意力机制计算局部会话图的重要性：其中eij表示节点vj的特征对于节点vi的重要性，LeakyReLU(·)为非线性激活函数，w为可学习的权重矩阵，⊙表示哈德曼积，下标rij为节点vi和vj之间的出度、入度或自环的关系， 分别表示节点vi和节点vj的局部会话图嵌入表示；

S23、对重要性eij进行归一化处理，得到注意力权值αij：其中exp(·)表示指数函数， 表示节点vi的邻域；

S24、根据注意力权值αij计算物品的局部会话图嵌入表示S25、根据物品的局部会话图嵌入表示 计算会话的局部会话图嵌入表示sL：其中 表示第L层局部会话图网络中第i个物品的嵌入表示，l表示局部会话图中的物品数量；

S3、根据用户会话数据构建共现图，得到会话的共现图嵌入表示；所述步骤S3包括以下分步骤：S31、根据用户会话数据构建共现图Co(V,E)，共现图中每一个节点 表示一个会话，每一条边 表示至少有一个共享物品的两个会话之间彼此相连；

M×M

S32、获取共现图的关联矩阵A∈R ，并根据关联矩阵A计算关联特征矩阵其中I表示单位矩阵；

S33、根据关联特征矩阵 计算共现图卷积的会话表示：其中 表示对角度矩阵；

S34、根据共现图卷积的会话表示计算会话的共现图嵌入表示Sco：其中 表示第l次迭代计算得到的嵌入表示；

S4、结合物品的超图嵌入表示、会话的局部会话图嵌入表示以及会话的共现图嵌入表示进行会话表示生成及预测，得到推荐结果；所述步骤S4包括以下分步骤：S41、在物品的超图嵌入表示Xh中嵌入可学习的位置矩阵P＝{p1,p2,…,pm}，得到物品的嵌入向量：其中 表示会话中第t个物品的嵌入向量， 表示第t个物品的超图嵌入表示，m表示当前会话的长度，i表示位置矩阵P中第i个元素，W1为可学习的权重参数，b为可学习的偏置参数；

S42、计算超图注意力权重αt：

T

其中f为可学习的参数，σ(·)表示Sigmoid函数， 表示会话s的嵌入表示， 表示会话中用户当前点击的最后一个物品，即会话中第t个物品的嵌入向量，W2和W3均为可学习的权重参数，c为可学习的偏置参数；

S43、根据超图注意力权重αt计算会话的超图嵌入表示Sh：S44、采用门控机制对会话的局部会话图嵌入表示SL以及会话的共现图嵌入表示Sco进行融合，得到融合局部会话图和共现图的最终表示SLC：SLC＝f·SL+(1‑f)·Sco

f＝σ(WcoSco+WLSL)

其中f表示门控单元，Wco表示可学习的共现图权重参数，WL表示可学习的局部会话图权重参数；

S45、根据会话的超图嵌入表示Sh以及融合局部会话图和共现图的最终表示SLC构建学习目标函数其中 表示将会话的超图嵌入表示Sh打乱行或者列后生成的负样本；

S46、根据学习目标函数 对基于多重会话感知的会话推荐模型进行学习，直到学习目标函数 收敛，输出得到推荐结果。

2.根据权利要求1所述的超图推荐方法，其特征在于，所述步骤S12中关联矩阵H中每一个元素h(v,e)的计算公式为：